面向对象图像分类

【ENVI入门系列】24. 面向对象图像分类

目录

1.概述

2.基于规则的面向对象信息提取

第一步：准备工作

第二步：发现对象

第三步：根据规则进行特征提取

3.基于样本的面向对象的分类

第一步：选择数据

第二步：分割对象

第三步：基于样本的图像分类

4.基于规则的单波段影像提取河流信息

1.概述

面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。ENVI FX的操作可分为两个部分：发现对象（Find Object）和特征提取（Extract features），如下图所示。

图1.1 FX操作流程示意图（*项为可选操作步骤）

这个工具分为三种独立的流程化工具：基于规则、基于样本、图像分割。

本课程分别学习基于规则的面向对象分类和基于样本的面向对象分类，以及基于规则的方法从单波段灰度影像中提取河流信息。

注：本课程需要面向对象空间特征提取模块(ENVI Feature Extraction-FX)使用许可。

2.基于规则的面向对象信息提取

该工具位置在：Toolbox /Feature Extraction/ Rule Based Feature Extraction Workflow。

数据位置："24-面向对象图像分类\1-基于规则"。

第一步：准备工作

根据数据源和特征提取类型等情况，可以有选择地对数据做一些预处理工作。

∙空间分辨率的调整

如果您的数据空间分辨率非常高，覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等）。可以降低分辨率，提供精度和运算速度。可利用Toolbox/Raster Management/Resize Data工具实现。

∙光谱分辨率的调整

如果您处理的是高光谱数据，可以将不用的波段除去。可利用Toolbox/Raster Management/Layer Stacking工具实现。

∙多源数据组合

当您有其他辅助数据时候，可以将这些数据和待处理数据组合成新的多波段数据文件，这些辅助数据可以是DEM, lidar 影像, 和SAR 影像。当计算对象属性时候，会生成这些辅助数据的属性信息，可以提高信息提取精度。可利用Toolbox/Raster Management/Layer Stacking工具实现。

∙空间滤波

如果您的数据包含一些噪声，可以选择ENVI的滤波功能做一些预处理。

这里直接在ENVI中打开qb_colorado.dat图像文件。

第二步：发现对象

（1）启动Rule Based FX工具

在Toolbox中，选择/Feature Extraction/Rule Based Feature Extraction Workflow，打开工作流的面板，选择待分类的影像qb_colorado.dat，此外还有三个面板可切换：

∙在Input Mask面板可输入掩膜文件

∙在Ancillary Data面板可输入其他多源数据文件

∙切换到Custom Bands面板，有两个自定义波段，包括归一化植被指数或者波段比值、HSI颜色空间，这些辅助波段可以提高图像分割的精度，如植被信息的提取等自定义的属性。

在Normalized Difference和Color Space属性上打钩，如下图所示，点击Next；

图2.1 输入数据和属性参数选择

（2）影像分割、合并

FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。

1）分割阈值（Scale Level）：选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑，分割效果的好坏一定程度决定了分类效果的精确度，我们可以通过勾选preview预览分割效果，选择一个理想的分割阀值，尽可能好地分割出边缘特征。有两个图像分割算法供选择： Edge，基于边缘检测，需要结合合并算法可以达到最佳效果；

∙Intensity: 基于亮度，这种算法非常适合于微小梯度变化（如DEM）、电磁场图像等，不需要合并算法即可达到较好的效果。

调整滑块阀值对影像进行分割，这里设定阈值为40。

注：按钮是用来选择分割波段的，默认为Base Image所有波段。

2）合并阈值（Merge Level）：影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。

合并算法也有两个供选择：

∙Full Lambda Schedule，合并存在于大块、纹理性较强的区域，如树林、云等，该方法在结合光谱和空间信息的基础上迭代合并邻近的小

斑块；

∙Fast Lambda: 合并具有类似的颜色和边界大小相邻节段。设定一定阈值，预览效果。这里我们设置的阈值为90，点Next进入下一步。3）纹理内核的大小（Texture Kernal Size）：如果数据区域较大而纹理差异较小，可以把这个参数设置大一点。默认是3，最大是19。

图2.2 图像分割、合并

这时候FX生成一个Region Means 影像自动加载图层列表中，并在窗口中显示，它是分割后的结果，每一块被填充上该块影像的平均光谱值。接着进行下一步操作。目前，已经完成了发现对象的操作过程，接下来是特征的提取。

第三步：根据规则进行特征提取

在规则分类界面。每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达式来描述。规则与规则之间是与的关系，属性表达式之间是并的关系。

同一类地物可以由不同规则来描述，比如水体，水体可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述规则就不一样，需要多条规则来描述。每条规则又有若干个属性来描述，如下是对水的一个描述：

∙面积大于500像素

∙延长线小于0.5

∙NDVI小于0.25

对道路的描述：

∙延长线大于0.9

∙紧密度小于0.3

∙标准差小于20

这里以提取居住房屋为例来说明规则分类的操作过程。